Lenguajes de descripción de caracteres chinos

Se han propuesto varios sistemas para describir la estructura interna de los caracteres chinos , incluyendo sus trazos, componentes, el orden de los trazos y la ubicación de cada uno en el cuadrado ideal del carácter. Esta información es útil para identificar variantes de caracteres unificados en un solo punto de código por Unicode e ISO/IEC 10646 , así como para proporcionar una forma alternativa de representación para caracteres poco comunes que aún no tienen una codificación estandarizada en Unicode. Muchos sistemas buscan funcionar con la escritura regular y proporcionar la estructura interna del carácter, lo que facilita su búsqueda mediante la indexación de su composición interna y la comparación con caracteres similares.

El Lenguaje de Descripción de Caracteres (CDL) es un lenguaje declarativo basado en XML, creado conjuntamente por Tom Bishop y Richard Cook para el Instituto Wenlin . Define caracteres mediante la disposición de componentes, que no necesariamente reflejan la historia semántica o etimológica del carácter. Para que un componente se ajuste a la porción asignada del cuadrado completo del carácter, un conjunto de menos de 50 trazos permite construir aproximadamente 1000 componentes, que a su vez pueden describir decenas de miles de caracteres. ^{[ 1 ]}

El capítulo 18 del estándar Unicode (versión 15.0) define la sintaxis de las "Secuencias de Descripción Ideográfica" (IDS, por sus siglas en inglés), que se utiliza para describir caracteres en términos de rasgos, mediante la combinación de componentes con puntos de código. Dieciséis caracteres especiales en el rango U+2FF0..U+2FFF actúan como operadores de prefijo para combinar otros caracteres o secuencias y formar caracteres más largos.

Dos caracteres de descripción ideográfica adicionales se encuentran dispersos en otros bloques Unicode. U+303E 〾 INDICADOR DE VARIACIÓN IDEOGRÁFICA no es oficialmente un carácter de descripción ideográfica, pero a veces se utiliza en secuencias de descripción ideográfica.

Estas secuencias son útiles para describir al lector un carácter que no se puede imprimir directamente, ya sea porque no está presente en una fuente determinada o porque no forma parte del estándar Unicode. Por ejemplo, el carácter sawndip codificado en la extensión F de los ideogramas unificados CJK como U+2DA21 𭨡 se puede describir como ⿰書史. Otro uso es para la búsqueda en diccionarios, como método de entrada aproximado para consultas.

Estas secuencias pueden representarse manteniendo los caracteres individuales por separado o analizando la Secuencia de Descripción Ideográfica y dibujando el ideograma descrito. Por sí solas, no proporcionan una representación inequívoca para todos los caracteres. Por ejemplo, la secuencia ⿱十一representa tanto ⼟ 'TIERRA' con la barra central más estrecha, como ⼠ 'ERUDITO' con la barra central más ancha.

La especificación de Unicode para estas secuencias se basa en los caracteres y la sintaxis de la codificación GBK anterior . Posteriormente se codifican símbolos adicionales para completar las combinaciones faltantes.

El paquete de software libre IDSgrep de Matthew Skala ^{[ 2 ] [ 3 ]} extiende la sintaxis IDS de Unicode para incluir características adicionales para la búsqueda en diccionarios; es capaz de convertir la base de datos de KanjiVG a su propio formato IDS extendido, o de buscar archivos EIDS generados por la familia de fuentes Tsukurimashou relacionada.

• Estructuras de caracteres chinos
• Estructuras internas de caracteres chinos
• Lista de radicales de Shuowen Jiezi
• Lista de radicales de Kangxi
• Lista de radicales Unicode
• Método de entrada de Cangjie
• Radical
• Ataque